从实验室到病床边：人工智能和远程患者监测

全面了解患者的机能和心理健康状况对于高风险患者尤为重要。连续长期的数据收集有助于改进风险分层、个性化治疗选择和早期发现不良事件。实时监测可以及时干预，减少资源利用，同时提高生活质量。随着医疗系统向精准医疗和责任医疗转型，实现这些目标需要创新、成本效益高且可扩展的患者监测技术。

近年来，移动应用程序、可穿戴设备和生理传感器的进步使得能够持续数字监测广泛的生理和心理参数，通常称为“数字足迹”。本编辑集探讨了这些技术如何增强临床决策、数据分析中的挑战以及从研究到实际应用的方法，旨在促进技术从实验室到临床应用的“转化”。

COVID-19大流行显著加速了远程医疗和远程患者监测的采用。一项研究考察了一家医疗机构推出COVID-19远程患者监测（CRPM）项目的经验，发现领导层参与是最常被引用的成功实施的关键因素。大流行被认为部分导致了全球心理健康障碍的增加，美国疾病控制与预防中心（CDC）估计，美国约有三分之一的成年人经历显著的焦虑或抑郁症状。尽管氯胺酮近年来成为精神药理学的重大创新，但FDA仅批准了一种特定形式的氯胺酮——Spravato用于治疗难治性抑郁症（TRD）和伴有自杀意念的主要抑郁症（MDD）。虽然这些药物显示出前景，但对于改变意识的治疗，大量患者监测至关重要。一项概念验证研究探索了MindMed会话监测系统，该系统通过移动和可穿戴设备被动收集活动水平、步数、音频和心率等生理数据。该研究评估了24名接受Spravato（氯胺酮）治疗的参与者的数据质量和可行性，提供了实时监测在心理健康护理中应用的潜力见解。

随着全球65岁以上老年人口的迅速增加，包括美国在内，以及约500万患有痴呆症的患者，远程患者监测的重要性变得越来越明显。通过这些技术监测日常生活活动（ADLs）是其最合适的应用之一；然而，仍存在某些局限性。这些包括难以捕捉详细的个体间和个体内变化，以及对主观性、可靠性和敏感性的担忧。一篇论文介绍了基于人工智能的临床决策支持工具的试点数据，该工具利用计算机视觉监测老年人的家庭环境。作者对未来监测技术的发展持乐观态度，认为这些技术将能够通过最小的代表性样本准确评估ADLs，从而改进行为分析模型，提高确定各种环境中功能表现的能力。

另一项研究介绍了一种用于监测低风险患者（如骨关节炎患者）的新型自动化生物标志物识别和量化方法。该方法通过标准RGB视频捕获进行，利用基于摄像头的方法监测治疗效果和疾病进展，减轻了医疗提供者的负担，尤其是在常规面对面访问难以维持的情况下。该研究从20名患者处收集了临床上相关的运动数据，并提出了一种通过对抗训练生成3D人体形状和姿势的技术，该技术结合深度神经网络中的自注意力机制编码空间和时间信息。在一项针对膝关节疼痛的小型患者群体的临床研究中，提取的生物标志物在评估治疗结果、跟踪康复进展和监测疾病进展方面表现出统计显著性。关键生物标志物包括坐立任务期间肘部屈伸的累积加速度，以及蹲下和坐立动作期间膝盖和肘部屈伸的平滑度。

另一项研究探讨了大学医院重症监护室（ICU）护士在部署远程患者监测（RPM）系统方面的经验、障碍和期望。该研究通过访谈评估了护士对使用诸如生命体征监测仪、心电图机和脉搏血氧仪等技术的看法，这些技术可实现患者生理指标的连续监测。护士们强调了用户友好界面和清晰可视化在提高系统效率方面的重要性。然而，一个关键问题是报警处理不佳，被认为是潜在的患者安全风险。该研究强调了对高可访问性、无线、非侵入性和互操作性强的RPM系统的迫切需求，这些系统可能会受益于云平台的扩展和部署，以改善临床工作流程中的集成和可用性。

在远程患者监测（RPM）的广泛应用中，已经开发了多种用于咳嗽检测的设备，咳嗽是哮喘和慢性阻塞性肺病（COPD）等呼吸系统疾病的常见症状。该领域的研究主要集中在基于音频信号的机器学习和深度学习算法上。然而，一项研究提出了一种替代方法，使用非接触式三轴加速度计区分咳嗽和非咳嗽事件/动作。这种方法的一个重要优势是现代移动和可穿戴设备中广泛存在的加速度计，使其成为潜在的可扩展替代方案。此外，它解决了音频记录设备常引发的隐私和安全问题。该研究结合特征提取技术和逻辑回归分类，实现了约90%的准确性、灵敏度和F1分数。这些结果表明了基于运动的可穿戴咳嗽检测器的可行性，暗示了其未来的实施潜力。

处理现实世界医疗场景中的数据集往往涉及解决不平衡数据集的问题，这是机器学习和分类任务中的常见挑战，其中医学上重要的罕见事件发生频率较低。睡眠呼吸暂停是一个例子。一项研究探讨了类重平衡技术作为缓解数据集不平衡的方法。该研究调查了10种常用的不平衡缓解方法，包括合成少数类过采样技术（SMOTE），以提高从颈部获得的光电容积描记法（PPG）信号中检测睡眠呼吸暂停事件的效果。研究结果表明，随机欠采样（RandUS）提高了灵敏度得分，但由于减少了训练样本量而损害了整体准确性。该研究强调了进一步研究人工数据生成技术的需求，特别是在考虑受试者依赖性的情况下，这在睡眠呼吸暂停数据集中一直是一个显著挑战。

非传染性疾病（NCDs）的死亡率在全球范围内正在以惊人的速度上升。这些疾病每年导致3500万人死亡，其中14%归因于心血管疾病。因此，在临床环境之外监测患者的需求变得越来越明显。一项研究通过基于访谈的问卷调查了397名参与者对采用远程患者监测（RPM）的意愿。研究结果表明，年龄、拥有手机和感知有用性与参与者使用RPM技术的倾向显著相关。

尽管远程患者监测（RPM）的研究大多集中在构建传感器和系统以收集生物标志物、生理和功能参数，但这些研究也强调了需要易于访问且强大的基础设施。此类基础设施必须高效支持可扩展性、数据安全性和可靠的数据处理，以充分利用RPM技术在传统医疗环境之外的潜力。基于云的基础设施提供可扩展性、安全性和实时数据处理，使其成为大规模RPM部署的理想选择。与限于有限患者人群的研究相比，基于云的平台可以支持数百万用户，实现实时警报以便及时临床干预，同时降低成本。一篇论文介绍了利用Microsoft Azure和AWS构建符合HIPAA标准的RPM系统的物联网（IoT）医疗架构。通过利用云计算的可扩展性、安全性和负载均衡，该研究展示了这些平台如何促进高效的健康监测。此外，它还提供了Azure和AWS的成本分析和性能评估，突显了其在大规模医疗应用中的可行性。

随着基于云的基础设施和物联网（IoT）在医疗和远程患者监测中的应用日益增多，“医疗物联网”（IoMT）这一术语应运而生，涵盖了医疗保健中使用的可穿戴设备、小工具和传感器。然而，由于复杂的网络威胁和患者数据的敏感性，安全性和隐私问题仍然是主要挑战。传统机器学习方法难以捕捉IoMT数据中的复杂模式，而传统的入侵检测系统无法检测未知攻击，导致高误报率和数据安全受损。一项研究通过提出一种基于异常的入侵检测系统来解决这个问题，该系统结合随机森林进行特征提取，卷积神经网络（CNN）和长短期记忆（LSTM）模型进行模式识别，以及针对IoMT特定挑战的自适应注意力层机制（SAALM）。研究表明，该方法比传统入侵检测方法具有更高的准确性，突显了其在增强IoMT医疗系统中患者数据的安全性和保密性的潜力。

随着医学转向个性化护理和家庭医疗，可穿戴设备的日益普及和增强能力（接近医疗级质量）以及智能小工具正在推动智能家庭的发展，以实现远程患者监测（RPM）。与此同时，人工智能（AI）正在革新医疗保健，实现疾病预测、患者分类、风险分层、住院预测和不良事件的实时检测。本出版物旨在将临床技术从实验室转化为临床应用，汇集了关于RPM设备、物联网基础设施、医疗数据分析和安全性的前沿研究。所包含的研究突出了AI在各种医疗应用中的重要作用。然而，医疗生态系统涉及多个利益相关者和财务限制，意味着技术采用仍然是渐进的。尽管2019年后数字健康解决方案的接受度有所提高，但数字素养和用户友好界面的需求继续影响患者的依从性。此外，尽管机器学习和预测算法已显示出有希望的结果，但仍需进一步完善，以处理不平衡的医疗数据集和罕见的医疗条件。生成式AI有望在解决数据不平衡挑战方面发挥作用。AI应用中的另一个重大障碍是在临床数据集中识别通用模式和假设的困难，鉴于每个患者的独特治疗路径，设计提供有意义临床建议的AI驱动系统仍然是一项挑战。此外，必须仔细检查医疗数据集中的偏差，无论是固有的还是由医疗实践引起的，即使是出于善意的临床决策也可能引入无意的偏差。展望未来，严格的调查和验证是必不可少的。尽管该领域的机遇巨大，研究人员必须准备好迎接重大挑战，以推进AI驱动的医疗解决方案。

总之，AI、可穿戴设备和远程患者监测的交汇正在改变医疗服务的提供方式。随着医疗技术的发展，出现了几个关键的挑战和机遇：可扩展性和基础设施：基于云的解决方案将在支持大规模远程患者监测部署中发挥关键作用。数字素养和合规性：用户友好界面和患者教育以提高采用率和参与度。AI用于个性化医疗：机器学习模型必须发展以处理不平衡的数据集和个体特异性差异。偏见和伦理考虑：医疗数据集中的偏见仍然是一个关注点，需要严格的验证和公平的AI框架。生成式AI用于数据增强：生成模型的使用可能有助于解决数据稀缺问题，提高AI在罕见医疗条件下的性能。尽管AI驱动的远程监测前景光明，但必须解决监管障碍、临床验证和医疗系统整合等问题，以充分发挥这些技术的潜力。

(全文结束)